新一代电力系统面临能源生产和消费转型的挑战,其结构更加复杂、不确定因素增多,传统的电力系统分析与优化技术对领域内先验知识的依赖性较强,在复杂电网环境下建模较为困难,无法全面考虑到所有因素。深度学习技术基于数据驱动,不依赖领域内先验知识,并且对复杂环境有更强的适应能力,将深度学习引入智能电网可以有效弥补传统电力系统分析与优化技术的缺陷。由于深度学习技术需要从数据样本中学习并提取出特征信息,因此对电力系统中有标注训练数据的量级提出了更高的要求。为了得到更多有标注、高质量的样本数据,本文提出了基于生成对抗网络的数据样本生成方法,主要从数量和质量两个方面对训练数据进行了增强。(1)将自动编码器引入生成对抗网络结构中,提出了一种基于生成对抗自编码器的电压暂降数据生成方法。使用卷积神经网络搭建了自编码生成模型,能够有效提取出数据样本的特征,并根据提取的数据特征生成新的数据样本。将生成样本与原始训练集混合构成增强训练集,分别用原始训练集和增强训练集对分类模型进行训练,并对比分别训练后的分类模型在同一测试集上的分类准确率。实验结果显示,向训练集中加入生成样本后,分类模型的分类准确率得到了有效提升,证明了生成对抗自编码器的可行性和有效性。(2)为了提升生成样本的数据质量,将精炼网络与生成对抗自编码器相融合,提出了一种基于自编码器的生成对抗精炼网络模型。该模型会在生成样本的基础上对样本进行进一步改善,改善后输出的精炼样本会比生成样本更加接近真实样本的分布,同时又保留了原始的语义信息,保证了精炼样本的多样性。经实验验证,精炼样本能使分类模型的准确率在生成样本的基础上得到进一步的提升,证明了基于自编码器的生成对抗精炼网络的有效性。